論文の概要: Efficient and Practical Clustering of Variables in Causal Graphs
- arxiv url: http://arxiv.org/abs/2611.17971v1
- Date: Fri, 13 Nov 2026 09:58:14 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:24:25.190355
- Title: Efficient and Practical Clustering of Variables in Causal Graphs
- Title(参考訳): 因果グラフにおける変数の効率的なクラスタリング
- Abstract要約: グラフ内の変数のクラスタリングは視覚的明瞭度を改善し、因果推論を単純化する。
コンデュットと呼ばれる新しいクラスタのクラスを導入し,グラフ内のすべてのコンデュットを検出するための,音質,完全,効率的なアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 1.7966001353008778
- License:
- Abstract: Clustering variables in a graph may improve visual clarity and simplify causal inference. Harnessing the full potential of clustering requires an automated method to detect useful clusters in a graph. We introduce a novel class of clusters called conduits, and present a sound, complete and efficient algorithm for detecting all conduits in the graph. In addition to algorithmic detectability, conduits appear naturally in causal graphs stemming from real-world applications, enabling substantial size reduction. Furthermore, the structure of conduits enables the application of known identifiability results regarding clustering. We demonstrate these properties in a simulation study with real-world graphs.
- Abstract(参考訳): グラフ内の変数のクラスタリングは視覚的明瞭度を改善し、因果推論を単純化する。
クラスタリングの潜在能力を損なうには、グラフで有用なクラスタを検出する自動化された方法が必要である。
コンデュットと呼ばれる新しいクラスタのクラスを導入し,グラフ内のすべてのコンデュットを検出するための,音質,完全,効率的なアルゴリズムを提案する。
アルゴリズムによる検出性に加えて、コンデュットは現実世界の応用から派生した因果グラフに自然に現れ、相当なサイズの縮小を実現している。
さらに、コンデュットの構造は、クラスタリングに関する既知の識別可能性の結果の適用を可能にする。
実世界のグラフを用いたシミュレーション研究において,これらの特性を実証する。
関連論文リスト
- HyReaL: Clustering Attributed Graph via Hyper-Complex Space Representation Learning [37.661843950288144]
我々は,属性の表現学習を強化するために,強力な四元数特徴変換を備えた超複素空間を導入する。
HyReaLが学習したノード表現は、より差別的で、様々な$k$の下流クラスタリングに適していることが判明した。
論文 参考訳(メタデータ) (2024-11-22T04:46:31Z) - Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。
本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。
我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
論文 参考訳(メタデータ) (2024-07-09T10:42:19Z) - The Map Equation Goes Neural: Mapping Network Flows with Graph Neural Networks [0.716879432974126]
コミュニティ検出は、教師なしのデータ探索と、ネットワーク化されたシステムの組織構造を明らかにするために不可欠なツールである。
本研究では,非教師付きコミュニティ検出のための一般的な情報理論的目的関数であるマップ方程式を考察し,下降による勾配の微分可能なテンソル形式で表現する。
我々の定式化は、任意のニューラルネットワークアーキテクチャと互換性のあるマップ方程式を変換し、エンドツーエンドの学習を可能にし、ノード機能を導入し、クラスタの最適な数を自動的に選択します。
論文 参考訳(メタデータ) (2023-10-02T12:32:18Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳(メタデータ) (2023-05-18T06:17:50Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳(メタデータ) (2021-08-15T13:14:28Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。